వేసవిలో Soybeans యొక్క స్థితిని తనిఖీ చేయడానికి ఫీల్డ్ నిఘా - కొత్త రకాలను తొలగించేటప్పుడు, అవసరమైన పని, కానీ అవసరమైన పని.
పెంపకందారులు pods యొక్క ప్రారంభ పండించడం వంటి కావాల్సిన లక్షణాలను చూపిస్తున్న మొక్కలు కనుగొనేందుకు పెరుగుతున్న సీజన్లో క్లిష్టమైన కాలంలో కాల్పులు జరిగే సూర్యుడు కింద రోజువారీ తిరుగు ఉండాలి. కానీ, ఈ సంకేతాలను గుర్తించే అవకాశాన్ని కలిగి ఉండకుండా, శాస్త్రవేత్తలు మార్కెట్లో కొత్త రకాలను తొలగించడానికి సమయాన్ని పెంచడానికి అనేక సైట్లను పరీక్షించలేరు.
ఇల్లినాయిస్ విశ్వవిద్యాలయం యొక్క కొత్త అధ్యయనంలో, శాస్త్రవేత్తలు డ్రోన్స్ మరియు కృత్రిమ మేధస్సు నుండి చిత్రాలను ఉపయోగించి రెండు రోజుల్లో సోయాబీన్స్ యొక్క పరిపక్వత యొక్క సమయాన్ని అంచనా వేస్తారు, ఇది చాలా పనిని సులభతరం చేస్తుంది.
"పాడ్ పరిపక్వత యొక్క అంచనా సమయం మరియు ఇక్కడ ఒక తప్పు చేయడానికి తరచుగా సాధ్యమే, ఎందుకంటే ఈ మూల్యాంకనం పాడ్ యొక్క రంగుపై ఆధారపడి ఉంటుంది, మరియు అది తప్పుగా నిర్ణయించే ప్రమాదం ఉంది," నికోలస్ మార్టిన్ చెప్పారు , ఇల్లినాయిస్ మరియు అధ్యయనం యొక్క సహకారి విభాగం యొక్క విభాగం అసోసియేట్ ప్రొఫెసర్. "అనేక పరిపక్వత అంచనా వేయడానికి డ్రోన్స్ నుండి స్నాప్షాట్లు ఉపయోగించడానికి ప్రయత్నించారు, కానీ అది చేయటానికి ఖచ్చితమైన మార్గాన్ని కనుగొనే మొదటిది."
రోడ్రిగో ట్రెవిజాన్, మార్టిన్ తో పని ఒక డాక్టరల్ విద్యార్థి, ఐదు ట్రయల్స్, మూడు పెరుగుతున్న సీజన్ మరియు రెండు దేశాలలో సేకరించిన డ్రోన్స్ నుండి చిత్రాలను రంగు మార్పులు గుర్తించడానికి కంప్యూటర్లు బోధించాడు. కంప్యూటర్లు "చెడు" చిత్రాలను కూడా పరిగణించగలిగారు మరియు అర్థం చేసుకోవచ్చని గమనించడం ముఖ్యం.
"మేము ప్రతి మూడు రోజులు చిత్రాలను సేకరించాలని అనుకుందాం, కానీ మేఘాలు కనిపిస్తాయి లేదా వర్షాలు, చిత్రాల నాణ్యతను ప్రభావితం చేస్తుంది. చివరికి, మీరు వేర్వేరు సంవత్సరాలు లేదా వేర్వేరు ప్రదేశాల నుండి డేటాను అందుకున్నప్పుడు, వారు అన్ని చిత్రాల సంఖ్యను, విరామాలు మరియు అందువలన న దృష్టి నుండి భిన్నంగా ఉంటారు. మేము అభివృద్ధి చేసిన ప్రధాన ఆవిష్కరణ మేము అందుకున్న అన్ని సమాచారాన్ని పరిగణనలోకి తీసుకుంటాము. మా మోడల్ డేటా ఎంత తరచుగా జరుగుతోంది, "ట్రవిజాన్ చెప్పారు.
ట్రెవిసాన్ కృత్రిమ మేధస్సు రకం, లోతైన కన్వర్టర్ నరాల నెట్వర్క్లు (CNN) అని పిలిచారు. అతను CNN మానవ మెదడు చిత్రాల భాగాలు అర్థం తెలుసుకుంటాడు ఒక మార్గం వంటిది - రంగు, ఆకారం, నిర్మాణం - అంటే, మా కళ్ళు నుండి పొందిన సమాచారం.
"CNN రంగులో చిన్న మార్పులను గుర్తించడం, రూపాలు, సరిహద్దులు మరియు అల్లికలతో పాటు. మాకు, చాలా ముఖ్యమైనది రంగు. కానీ మేము ఉపయోగించే కృత్రిమ మేధస్సు నమూనాల ప్రయోజనం, ఇది దిగుబడి లేదా స్పాన్ వంటి మరొక లక్షణాన్ని అంచనా వేయడానికి అదే నమూనాను ఉపయోగించడానికి చాలా సులభం. కాబట్టి, ఇప్పుడు మనకు ఈ నమూనాలను కలిగి ఉన్నందున, అనేక ఇతర పనులను నెరవేర్చడానికి అదే వ్యూహాన్ని ఉపయోగించడానికి ప్రజలు చాలా సులభంగా ఉండాలి "అని ట్రెవిజాన్ను వివరించాడు.
శాస్త్రవేత్తలు ప్రాధమికంగా వాణిజ్య సంస్థలలో సాంకేతికత ఉపయోగకరంగా ఉంటుందని చెప్తారు.
"మేము రాబోయే సంవత్సరాల్లో దీనిని ఉపయోగించడానికి కావలసిన అధ్యయనంలో పాల్గొన్న సెక్టార్ భాగస్వాములు ఉన్నారు. మరియు వారు చాలా మంచి, ముఖ్యమైన సహకారం చేశారు. వారు మొక్కలు మరియు రైతులకు ఎంచుకోవడం నిర్ణయాలు తీసుకునే ఫీల్డ్ పెంపకందారులకు సమాధానాలు సంబంధితంగా ఉందని వారు నిర్ధారించుకోవాలని అనుకున్నారు "అని నికోలస్ మార్టిన్ చెప్పారు.
(మూలం: farmtario.com. ఫోటో: జెట్టి ఇమేజెస్).